社交网络分析学什么？
想搞清楚朋友圈里谁是关键人物，或者企业内部信息是怎么流转的？社交网络分析（Social Network Analysis, SNA）就是干这个的。它不只看个体行为，更关注人与人之间的连接关系。比如你在微信群里发一条消息，谁最先响应、谁转发最多，这些都能用SNA来挖掘。
很多人觉得这玩意儿高深莫测，其实只要按对路径，边学边练也能上手。
第一步：理解基本概念
别急着打开软件，先搞明白几个词：节点（node）代表一个人或组织，边（edge）表示他们之间的联系。中心性（centrality）告诉你谁在网里最重要——可能是最活跃的那个，也可能是连接多个小圈子的“桥梁”。
举个例子，公司团建时总有那么一两个人能和各部门都聊得来，他们在沟通网络中的中介中心性就很高。这类指标不是凭感觉判断，而是算出来的。
第二步：动手玩点真实数据
光看书不行，得练。推荐从Gephi开始，这是一款免费可视化工具，拖拽式操作适合新手。你可以导入微博转发数据，看看信息是怎么一层层扩散开的。
安装后试试加载一个CSV格式的关系表：
Source,Target,Weight
A,B,3
B,C,1
A,C,2导入Gephi的“数据资料”面板，切换到“概览”页就能看到图形。调调布局算法，比如选ForceAtlas2，节点自动排开，关键节点一眼就能看出来。
第三步：用Python深入分析
当你不满足于画图，想做更复杂的计算时，就得上代码了。NetworkX是Python里的主力库，安装简单：
pip install networkx写几行代码算出每个节点的度中心性和接近中心性：
import networkx as nx
G = nx.Graph()
G.add_edges_from([('A', 'B'), ('B', 'C'), ('A', 'C'), ('A', 'D')])
print("度中心性：", nx.degree_centrality(G))
print("接近中心性：", nx.closeness_centrality(G))输出结果能帮你识别出A是核心节点——毕竟它连了三个方向，断了它整个网络就变松散。
第四步：结合实际场景练习
找些公开数据练手最有效。GitHub上有不少项目用SNA分析学术合作网络、游戏好友系统甚至恐怖组织联络图。试着复现别人的分析过程，改改参数，看看图结构怎么变。
比如爬取豆瓣小组的回复记录，构建用户互动图谱，找出那些经常被@但很少主动发言的“隐形意见领袖”。这种实战比刷题强多了。
第五步：进阶工具了解一下
等你熟悉基础流程，可以试试igraph或多层网络分析工具如Multinet。如果处理的是动态变化的网络，比如每天更新的朋友圈点赞关系，可以用StreamGraph这类工具观察结构演变。
别被术语吓住，大多数功能都有现成函数调用。关键是保持动手习惯，遇到问题查文档、翻Stack Overflow，慢慢就顺了。